OpenCV入门教程之六 数学形态学基本操作及其应用
数学形态学实际上可以理解为一种滤波行为，所以很多地方称它为形态学滤波。有了个这概念，我们就能更好的理解它。我们滤波中用的滤波器（kernel）在这里被称为结构元素，结构元素往往是由一个特殊的形状构成，如：线条、矩形、圆、菱形等。我们把结构元素的中心（Anchor Point）与图像上像素点对齐，然后结构元素覆盖的领域像素就是我们要分析的像素，我们定义一种操作就形成了一种形态学运算。
我们在这里不解释形态学操作的算法原理及它们的意义，有兴趣的可以参见相关数字图像处理方面的教材，或关注本博客，博主打算在OpenCV系列写完后，开始写图像处理方面算法系列的文章。
推荐阅读：
一、形态学的基本操作
腐蚀运算：erode
1 2 3 | void erode(InputArray src, OutputArray dst, InputArray kernel, Point anchor=Point(-1,-1),int iterations=1, int borderType=BORDER_CONSTANT,const Scalar& borderValue=morphologyDefaultBorderValue()); |
src：输入图像，很多场合下我们使用的是二值图像，当然灰度图像也可以。
dst：输出图像，格式和输入图像一致。
kernel：定义的结构元素。
anchor：结构元素的中心，如果是默认参数(-1,-1)，程序会自动将其设置为结构元素的中心。
iterations：迭代次数，我们可以选择对图像进行多次形态学运算。
后面两个参数是边界类型，由于要处理领域问题，所以图像需要扩充边界。一般情况下使用默认即可。
膨胀运算：dilate
膨胀跟腐蚀的参数完全一致，就不过多的说明了。这两个形态学操作是最基本的两个操作。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 | int main(){Mat image=imread("../cat.png");// 彩色转灰度cvtColor(image,image,CV_BGR2GRAY);// 阈值化threshold(image,image,255*(0.5),255,THRESH_BINARY);// 形态学操作// 如果把结构元素设置为Mat()，则将用默认的3*3的矩形结构元素Mat eroded;erode(image,eroded,Mat());Mat dilated;dilate(image,dilated,Mat());return 0;} |
下面要介绍的两个形态学操作，在实际应用中要比上面两个更加广泛，但实际上它们是上面两种操作的一个组合式的操作。
开运算与闭运算
这两个运算都是使用函数morphologyEx来实现的，这个函数的接口如下：
1 2 | void morphologyEx(InputArray src, OutputArray dst, int op, InputArray kernel, Point anchor=Point(-1,-1),int iterations=1, int borderType=BORDER_CONSTANT, const Scalar& borderValue=morphologyDefaultBorderValue()); |
函数的大部分参数都与上面介绍的erode函数参数是一样的，这里面的op是我们要进行的形态学的类型：
MORPH_OPEN：对图像进行开运算。
MORPH_CLOSE：对图像进行闭运算。
下面我们还是以小猫图像为例显示一下对二值图像进行开运算和闭��算后得到的结果。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 | int main(){Mat image=imread("../cat.png");// 彩色转灰度cvtColor(image,image,CV_BGR2GRAY);// 阈值化threshold(image,image,255*(0.5),255,THRESH_BINARY);// 定义结构元素Mat se(5,5,CV_8U,Scalar(1));Mat closed;morphologyEx(image,closed,MORPH_CLOSE,se);Mat opened;morphologyEx(image,opened,MORPH_OPEN,se);return 0;} |
从图片中我们可以得出结论：
闭运算可以填充图像中的孔洞，连接一些缺口；开运算可以去除图像中一些较小的结构。前提是这些孔洞或碎片要与进行运算的结构元素尺度相当。
二、用形态学操作来检测边缘和角点
其实用形态学来检测边缘的原理非常简单，我们打开源码看它是怎么操作的：
1 2 3 4 5 | case CV_MOP_GRADIENT:erode( src, temp, kernel, anchor, iterations, borderType, borderValue );dilate( src, dst, kernel, anchor, iterations, borderType, borderValue );dst -= temp;break; |
可以看出来，它是对图像先做了一个腐蚀，再做了一次膨胀，然后将两次的结果相减即可。
1 2 3 4 5 6 7 8 9 10 11 12 13 | int main(){Mat image=imread("../cat.png");// 彩色转灰度cvtColor(image,image,CV_BGR2GRAY);Mat catEdge;morphologyEx(image,catEdge,MORPH_GRADIENT,Mat());// 阈值化threshold(catEdge,catEdge,40,255,THRESH_BINARY);namedWindow("catEdge");imshow("catEdge",catEdge);waitKey();return 0;} |
下面我们来实现用形态学操作来检测角点。
首先我们需要定义几个特殊的结构元素，我们这里都用Mat来定义，并像素式的赋值，你可以选择OpenCV里的getStructElement来更快的实现。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 | // 定义结构元素Mat cross(5,5,CV_8U,Scalar(0));Mat diamond(5,5,CV_8U,Scalar(1));Mat square(5,5,CV_8U,Scalar(1));Mat x(5,5,CV_8U,Scalar(0));for(int i=0;i<5;i++){cross.at<uchar>(2,i)=1;cross.at<uchar>(i,2)=1;}diamond.at<uchar>(0,0)=0;diamond.at<uchar>(0,1)=0;diamond.at<uchar>(1,0)=0;diamond.at<uchar>(4,4)=0;diamond.at<uchar>(3,4)=0;diamond.at<uchar>(4,3)=0;diamond.at<uchar>(4,0)=0;diamond.at<uchar>(4,1)=0;diamond.at<uchar>(3,0)=0;diamond.at<uchar>(0,4)=0;diamond.at<uchar>(0,3)=0;diamond.at<uchar>(1,4)=0;for(int i=0;i<5;i++){x.at<uchar>(i,i)=1;x.at<uchar>(4-i,i)=1;} |
第一个为一个十字型的结构元素，第二个为菱形，第三个是矩形，第四个是一个“X”
型。
然后我们按下面的顺序对一幅图像进行操作，并对最后的结果进行阈值化。
1 2 3 4 5 6 7 | Mat result;dilate(image,result,cross);erode(result,result,diamond);Mat result2;dilate(image,result2,x);erode(result2,result2,square);absdiff(result2,result,result); |
经过上面步骤，我们得到了一张二值图像，显示了图像的一些角点的位置。
为了更形象的说明，我们将上面的这些点在原彩色图像上标出来：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 | // 标记角点void drawOnImage(const Mat& binary,Mat& image){for(int i=0;i<binary.rows;i++){// 获取行指针const uchar* data=binary.ptr<uchar>(i);for(int j=0;j<binary.cols;j++){if(data[j]) //角点图像上的白点circle(image,Point(j,i),8,Scalar(0,255,0));// 画圈}}} |
